📄 Bright Data 的 Rafael Levi 深入探讨了大型语言模型（LLM）在执行网页搜索时经常产生幻觉的根本原因：为了取悦用户，它们在遇到反爬虫机制（如验证码或 Cloudflare 的 AI 迷宫）时会编造数据。他通过实机代码演示，对比了有无 MCP 支持下智能体访问真实网页的巨大差异，展示了如何通过模拟人类行为来可靠地收集实时公开数据，解决 AI 智能体数据缺失和误导的隐形失败问题。
📄 Supabase AI 工具工程师 Pedro Rodrigues 分享了如何通过“技能（Skills）”机制提升智能体的任务执行能力。核心概念包括渐进式披露、Skill.md 的结构化设计，以及如何通过评估（Evaluations）框架实现从手动测试到自动化闭环的转变，解决非确定性输出带来的挑战。
📄 Jeremiah Lowin（Prefect CEO）探讨了模型上下文协议（MCP）的现状，指出当前许多 MCP 服务仅是简单的 API 包装。他提出了“代理原生产品设计”理念，强调应针对 AI 代理的发现成本、迭代速度和上下文限制进行优化。通过“以结果为导向”、“参数扁平化”和“严苛精简”等策略，开发者可以构建出性能更优、更易被 AI 理解的工具接口。